Association of Exercise Types in Adolescence with Cognitive Function in Older Age: the Bunkyo Health Study
Notice bibliographique
Résumé
BACKGROUND: Exercise in adolescence has been shown to increase cognitive reserve and have a long-term preventive effect on cognitive function in older age (Dik, M. G., et al. 2003). However, it remains unclear whether different types and intensities of adolescent exercise have distinct impacts on cognitive function later in life. Therefore, the present study investigated the association between exercise types and intensity in adolescence and mild cognitive impairments (MCI) in older adults. METHOD: We analyzed data from the Bunkyo Health Study, which included 659 men and 912 women aged 65-84. MCI was defined as the Japanese version of the Montreal Cognitive Assessment score of 22 points or less. We classified the 35 exercises participants engaged in their junior high school and high school reference to the classification guidelines (Maron, B. J., et al. 2015), which were divided into three levels of exercise intensity (low, moderate, high) in each type of exercise (aerobic, resistance, or a combination of both). Multivariate-adjusted logistic regression models were used to estimate the odds ratios (ORs) and associated 95% confidence intervals (CIs) in each category level for the prevalence of MCI, as compared with the non-exercise group. RESULT: In junior high school analysis, the ORs(95%CIs) for MCI were significantly lower in the moderate-resistance level group (OR: 0.45 [0.21-0.95], P-value = 0.04) and the high-combination level group (OR: 0.30 [0.11-0.81], P-value = 0.02) in men, whereas there were no significant differences in women. Similar results were observed in high school analysis, with lower ORs for MCI in moderate-resistance level (OR: 0.36 [0.16-0.77], P-value = 0.01) and high-combination level (OR: 0.34 [0.14-0.80], P-value = 0.01) groups, but not for women. CONCLUSION: Participation in the moderate-resistance level and/or the high-combination level exercises in junior high school or high school was associated with a lower prevalence of MCI in older age among men, but not women.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».